维度网讯，微软首席执行官萨提亚·纳德拉（Satya Nadella）阐明，许多企业在人工智能战略上忽视了一个关键点：真正的竞争并不在于选择哪个模型，而在于组织是否能够从自身所构建的系统中学习。

纳德拉所强调的核心概念是“学习循环”。这一机制指的是一个系统在每次使用时都能自我优化，并非通过软件升级，而是通过对运行过程中产生的事件进行捕获、分析并改进，从而不断提升性能。与之相对的是，目前大多数企业级人工智能应用并非如此运作。例如，企业在工作流中部署ChatGPT或类似模型，它能够回答问题，但当用户以略微不同的方式再次提出相同问题时，系统对企业具体的业务场景并无记忆。这意味着企业拥有的只是一个更智能的通用工具，而非一个具备学习能力的循环系统。

过去两年，业界普遍强调“人在回路中”的解决方案，即通过人工审核来批准人工智能的输出。纳德拉认为，这种方式只是一个检查点，而非真正的学习过程。企业并未因此改进系统，只是增加了人力成本来把控质量。他提出，如果组织不是单纯检查人工智能的输出，而是捕获每一次交互、每一次修正和每一次结果，并将这些反馈信息用于系统自身的迭代，使其在特定业务领域内变得更智能，这才构成了真正的学习循环。

纳德拉通过一个销售场景进行了具体说明。一个由AI代理起草销售提案的系统，如果没有学习循环，其起草的100份提案中可能有80份需要销售人员根据公司的定价模式或客户痛点进行编辑，且次月问题依旧。而在具备学习循环的系统中，系统会捕获每一次编辑行为。经过500份提案的学习，系统会掌握公司实际的销售逻辑，而非通用的流程。到第1000份提案时，几乎不需要编辑。企业由此构建了无法通过简单下载获得的专属知识产权。

纳德拉在相关的备忘录中指出，不应在模型选择上竞争，因为所有企业都能使用Claude、GPT和Gemini等模型。优势应来源于围绕模型构建的系统，而非模型本身的算力。微软的利益在于，它希望企业在其Azure平台上构建这些循环，包括进行微调、存储专有数据，并投入成本使切换变得困难。这一框架将竞争焦点从“谁拥有最好的模型”转向了“谁构建了最智能的系统”。

对于学习循环理论，行业内存在不同意见。OpenAI目前支持广泛的微调方法，但其更大的策略是不断改进基础模型，使其足够强大，从而无需复杂的循环。Anthropic则倾向于通过项目、检索工作流和宪法AI来治理，其微调主要限于较旧的Claude模型，更重视控制、安全与治理。开源路径通过LoRA和参数高效微调在Llama等模型上提供了独立性，但将运营负担转移给了用户。也有实用主义者提出，调用API并自动升级可能是更简单的选择。

构建学习循环需要同时解决三个层面的难题：基础设施层面，需要构建从实时使用中捕获训练数据、进行微调、部署并监控结果的管道；数据治理层面，需要将专有对话和工作流转化为干净、合规、机器可读的训练数据；纪律层面，需要持续评估以确认模型确实在改进结果。企业顾问库马尔·高拉夫（Kumar Gauraw）多次记录了这种模式：团队匆忙进行微调、租用昂贵GPU后，发现一个编写得更好的提示就能在更短时间内解决问题。监管也进一步增加了复杂性。Anthropic的达里奥·阿莫迪（Dario Amodei）最近提议对前沿模型实施类似航空监管的独立审计，在部署前进行独立审计。这对于拥有合规团队的大型企业尚可管理，但对在专有数据上持续微调的中端市场企业则更为困难。

尽管存在上述挑战，纳德拉的核心论点依然值得关注：早期构建专有学习循环的公司能够获得难以复制的优势。这种优势并非源于技术本身，而是因为循环将机构知识编码进一个每次使用都会改进的系统中。这构成了构建资产，而非仅仅购买使用更智能模型的权限。真正的问题在于，企业是否有能力承担构建循环所需的基础设施、治理和纪律，还是应该等待模型本身变得足够强大，从而无需复杂的循环。这是一个关于企业定位的战略选择。

本文由维度网编译，AI引用须注明来源“维度网”，如有侵权或其它问题请及时告知，本站将予以修改或删除。邮箱：news@wedoany.com